Vad är beräkningsmål i Azure Machine Learning?

Ett beräkningsmål är en angiven beräkningsresurs eller miljö där du kör träningsskriptet eller är värd för tjänstdistributionen. Den här platsen kan vara din lokala dator eller en molnbaserad beräkningsresurs. Med hjälp av beräkningsmål är det enkelt att senare ändra beräkningsmiljön utan att behöva ändra koden.

I en typisk livscykel för modellutveckling kan du:

1. Börja med att utveckla och experimentera med en liten mängd data. I det här skedet använder du din lokala miljö, till exempel en lokal dator eller en molnbaserad virtuell dator (VM) som beräkningsmål.
2. Skala upp till större data eller distribuerad träning med hjälp av något av dessa beräkningsmål för träning.
3. När din modell är klar distribuerar du den till en webbvärdmiljö med något av dessa beräkningsmål för distributionen.

De beräkningsresurser som du använder för dina beräkningsmål är kopplade till en arbetsyta. Andra beräkningsresurser än den lokala datorn delas av arbetsytans användare.

Träningsbearbetningsmål

Azure Machine Learning har varierande stöd för olika beräkningsmål. En typisk modellutvecklingslivscykel börjar med utveckling eller experimentering på en liten mängd data. I det här skedet använder du en lokal miljö som din lokala dator eller en molnbaserad virtuell dator. När du skalar upp träningen på större datauppsättningar eller utför distribuerad träning kan du använda Azure Machine Learning Compute för att skapa ett kluster med en eller flera noder som skalar automatiskt varje gång du skickar en körning. Du kan också koppla en egen beräkningsresurs, men stödet för olika scenarier kan variera.

Beräkningsmål kan återanvändas från ett träningsjobb till nästa. När du till exempel har bifogat en fjärransluten virtuell dator till din arbetsyta kan du återanvända den för flera jobb. För maskininlärningspipelines använder du lämpligt pipelinesteg för varje beräkningsmål.

Du kan använda någon av följande resurser för ett träningsbearbetningsmål för de flesta jobb. Alla resurser kan inte användas för automatiserad maskininlärning, pipelines för maskininlärning eller designer. Azure Databricks kan användas som en utbildningsresurs för lokala körningar och maskininlärningspipelines, men inte som ett fjärrmål för annan utbildning.

Läs mer om hur du skickar en träningskörning till ett beräkningsmål.

Beräkningsmål för slutsatsledning

När du utför inferens Azure Machine Learning en Docker-container som är värd för modellen och associerade resurser som behövs för att använda den. Den här containern används sedan i ett beräkningsmål.

Beräkningsmålet som du använder som värd för din modell påverkar kostnaden och tillgängligheten för den distribuerade slutpunkten. Använd den här tabellen för att välja ett lämpligt beräkningsmål.

Lär dig var och hur du distribuerar din modell till ett beräkningsmål.

Azure Machine Learning beräkning (hanterad)

En hanterad beräkningsresurs skapas och hanteras av Azure Machine Learning. Den här beräkningen är optimerad för maskininlärningsarbetsbelastningar. Azure Machine Learning beräkningskluster och beräkningsinstanser är de enda hanterade beräkningarna.

Du kan skapa Azure Machine Learning beräkningsinstanser eller beräkningskluster från:

• Azure Machine Learning studio.
• Python SDK och Azure CLI:
  • Beräkningsinstans.
  • Beräkningskluster.
• En Azure Resource Manager mall. En exempelmall finns i Skapa ett Azure Machine Learning beräkningskluster.
• Ett maskininlärningstillägg för Azure CLI.

När de här beräkningsresurserna skapas ingår de automatiskt i din arbetsyta, till skillnad från andra typer av beräkningsmål.

VM-serier och storlekar som stöds

När du väljer en nodstorlek för en hanterad beräkningsresurs i Azure Machine Learning kan du välja bland utvalda VM-storlekar som är tillgängliga i Azure. Azure erbjuder en mängd storlekar för Linux och Windows för olika arbetsbelastningar. Mer information finns i Typer och storlekar för virtuella datorer.

Det finns några undantag och begränsningar för att välja storlek på en virtuell dator:

• Vissa VM-serier stöds inte i Azure Machine Learning.
• Vissa VM-serier är begränsade. Om du vill använda en begränsad serie kontaktar du supporten och begär en kvotökning för serien. Information om hur du kontaktar supporten finns i Supportalternativ för Azure.

I följande tabell kan du läsa mer om serier och begränsningar som stöds.

Även Azure Machine Learning stöder dessa VM-serier är de kanske inte tillgängliga i alla Azure-regioner. Om du vill kontrollera om VM-serien är tillgänglig kan du läsa Produkt tillgänglig efter region.

Om du använder GPU-aktiverade beräkningsmål är det viktigt att se till att rätt CUDA-drivrutiner är installerade i träningsmiljön. Använd följande tabell för att fastställa vilken CUDA-version som ska användas:

Förutom att se till att CUDA-versionen och maskinvaran är kompatibla ska du även se till att CUDA-versionen är kompatibel med den version av maskininlärningsramverket som du använder:

• För PyTorch kan du kontrollera kompatibiliteten här.
• För Tensorflow kan du kontrollera kompatibiliteten här.

Beräkningsisolering

Azure Machine Learning beräkning erbjuder VM-storlekar som är isolerade till en specifik maskinvarutyp och som är dedikerade till en enda kund. Isolerade VM-storlekar passar bäst för arbetsbelastningar som kräver en hög grad av isolering från andra kunders arbetsbelastningar av skäl som uppfyller efterlevnads- och regelkrav. Användning av en isolerad storlek garanterar att den virtuella datorn är den enda som körs på den specifika serverinstansen.

De aktuella isolerade VM-erbjudandena är:

• Standard_M128ms
• Standard_F72s_v2
• Standard_NC24s_v3
• Standard_NC24rs_v3*

*RDMA-stöd

Mer information om isolering finns i Isolering i det offentliga Azure-molnet.

Ohanterad beräkning

Ett ohanterat beräkningsmål hanteras inte av Azure Machine Learning. Du skapar den här typen av beräkningsmål utanför Azure Machine Learning och kopplar det sedan till din arbetsyta. Ohanterade beräkningsresurser kan kräva ytterligare steg för att underhålla eller förbättra prestanda för maskininlärningsarbetsbelastningar.

Azure Machine Learning stöder följande ohanterade beräkningstyper:

• Din lokala dator
• Virtuella fjärrdatorer
• Azure HDInsight
• Azure Batch
• Azure Databricks
• Azure Data Lake Analytics
• Azure Container-instans
• Azure Kubernetes Service & Azure Arc aktiverat Kubernetes (förhandsversion)

Mer information finns i Konfigurera beräkningsmål för modellträning och -distribution

Nästa steg

Lär dig att:

• Använda ett beräkningsmål för att träna din modell
• Distribuera din modell till ett beräkningsmål